선택한 단어 수는 입니다.
최소 단어 이상 선택하여야 합니다.
최소 단어 이상 선택하여야 합니다.
선택한 단어 수는 30입니다.
최대 10 단어까지만 선택 가능합니다.
최대 10 단어까지만 선택 가능합니다.
문제 정의
- 본 논문은 국내 6대 광역시를 대상으로 도시부 차량주행거리 산정방안을 정립하고 이 방법을 적용하여 차량주행거리를 산정하는데 목적이 있다. 2장에서는 차량주행거리 산정과 관련된 기존문헌 고찰을 통해 차량 주행거리 산정 오차발생 원인을 살펴보고 본 논문에서 차량주행거리를 산정함에 있어 시사점을 도출하였다.
가설 설정
- 본 논문에서는 도시지역 내 집분산도로를 제외한 간선도로(도시고속화도로(urban expressway), 주간선도로(main-arterial), 보조간선도로(sub-arterial))만을 차량주행거리 산정 대상으로 설정하였다. 단, 도로의 기능구분은 도로의 물리적 속성과는 별개로 기능적 속성으로 구분되며, 도로의 기능적 속성은 분석대상 도시 내 교통량 처리량 또는 도시계획상 해당 도로에 부여(설정)된 정책적 역할(기능)에 따라 나뉘는 것으로 가정하였다. 이에 각 도시마다 명목상․실질적 도로의 기능이 부여된 도시교통정비계획(Basic Plan for Urban Traffic Improvement)이나 도시기본계획(Urban Master Plan)에 준하여 각 분석 대상도시 내 도로 기능구분을 하였다.
- 교통축 설정 과정은 차량주행거리 산정 대상도로를 설정하는 단계이다. 도시지역 내 도로위계구분상의 집분산도로 수준까지 관련 자료획득이 어려워 집분산도로 수준까지 차량주행거리를 산정하는 것은 현실적으로 불가능에 가깝다. 이에 적절한 기준으로 차량주행거리 산정 대상 도로 및 교통축을 선별하는 것이 필요하다.
제안 방법
- 각 대상도시별 차량주행거리는 회귀크리깅을 통하여 추정된 ‘단위구간별 교통량 예측치’와 ‘단위구간의 길이’를 곱하여 산정한 ‘단위구간별 차량주행거리’를 바탕으로 모든 단위구간의 합으로 계산하였다(<식 6> 참고)
- KOTI(2013)에서는 단위구간 구분 기준은 도로기하구조 특성 기준에 의한 구분법 보다 신호교차로 기준 구분이 더 우수한 결과를 보이는 것으로 알려져 있다. 본 논문에서는 교통축으로 설정한 도시지역 내 간선도로인 도시고속화도로(urban expressway), 주간선도로(main-arterial), 보조간선도로(sub-arterial)를 대상으로 신호교차로 기준으로 단위구간을 구분하였으며, ITS표준노드링크체계의 개별 링크별로 구축된 기초DB를 단위구간 체계로 변환하였다. 이 때 1개의 단위구간이 ITS 표준노드링크체계 상 2개 이상의 개별 링크로 구성될 수 있는데, 동일 단위구간 내 개별 링크의 교통량 자료(교통류 속성)가 상이할 경우에는 개별 링크의 거리가중평균교통량을 해당 단위구간의 교통량으로 설정하였다.
- 본 연구는 6대광역시를 대상으로 차량이 대상 도시에 실제로 주행한 거리인 차량주행거리(VKT, Vehicle Kilometers Traveled)를 산정하기 위해 교통량 부재 구간의 교통량을 추정하였다. 이를 위해 신호교차로 기준으로 단위구간을 설정하고, 단위구간별 추정교통량 및 차량주행거리의 정확도를 향상시키기 위해 회귀크리깅을 이용하여 교통량을 추정하였다. 교통량 추정 시 ‘도시 중심부에서의 거리’ 라는 변수를 이용하여 도시 중심부에서의 거리별 수집교통량을 분석해 거리의 따른 교통량 변화정도가 큰 지점을 기준으로 분석범위를 이원화하고 구역(내부, 외부)별 회귀모형을 추정하였다.
- 다만, 교통량 자료 기반 차량주행거리 산정에 있어 분석 대상지역의 모든 도로구간에서 교통량 자료가 수집되는 것이 아니기 때문에 교통량 미수집 구간의 교통량 자료 추가 수집 및 교통량 추정과정이 요구된다. 이에 본 연구에서는 공간통계기법을 적용하여 분석 대상지역 내 교통량 미수집 구간의 교통량을 추정하고 이를 기반으로 차량주행거리를 산정하였다. 이 과정은 크게 6단계로 나누어 볼 수 있다.
- 차량주행거리 산정 전에 회귀모형을 통해 추정한 교통량 구축 단위구간의 잔차로부터 크리깅을 이용하여 교통량 미구축 단위구간의 잔차를 추정하였다. 크리깅으로 추정된 교통량 미구축 단위구간의 잔차와 회귀모형을 통해 추정된 교통량 추정치를 합하여 최종적으로 교통량 미구축 단위구간의 교통량을 추정하였다.
- 차량주행거리 산정 전에 회귀모형을 통해 추정한 교통량 구축 단위구간의 잔차로부터 크리깅을 이용하여 교통량 미구축 단위구간의 잔차를 추정하였다. 크리깅으로 추정된 교통량 미구축 단위구간의 잔차와 회귀모형을 통해 추정된 교통량 추정치를 합하여 최종적으로 교통량 미구축 단위구간의 교통량을 추정하였다. 각 도시별 차량주행거리 산정 결과는 [Table 8]과 같다.
대상 데이터
- 교통량자료는 6대광역시의 ITS 검지기를 통해서 수집되는 자료와 현장조사 자료를 혼합․수집하였으며, 각 도시별 교통량 수집율은 [Table 2]와 같다. ITS 검지기를 통해서 수집된 교통량 자료는 각 도시별 ‘군’지역을 제외한 지역을 대상으로 2013년 1년간 수집된 데이터의 평균을 산출하여 AADT를 산출하였으며, 현장조사를 통해서 수집된 교통량 자료는 조사시기와 조사기간에 따라 시간보정, 요일보정,월보정을 통하여 AADT를 산출하였다.
- 국토해양부의 ITS표준노드링크에는 도로망을 링크단위로 구분하여 차로수, 도로등급, 도로유형, 도로번호, 도로명, 최고제한속도, 통과제한차량, 통과제한하중, 통과제한높이, 행정권역구분, 연장 등의 정보가 제공된다. 각기의 자료 중 6대광역시에 해당되는 자료를 활용하여 도로 속성 정보를 수집하였다. 교통량자료는 6대광역시의 ITS 검지기를 통해서 수집되는 자료와 현장조사 자료를 혼합․수집하였으며, 각 도시별 교통량 수집율은 [Table 2]와 같다.
- 본 연구에서는 i) 도로기능, ii) 차로 수, iii) 제한속도,iv) 중앙분리대유무, v) 평균교차로간격, vi) 시가화여부, vii) 행정구역, viii) 주간선도로접속여부를 독립변수로 설정하고, 모든 독립변수를 고려하여 통계적으로 중요한 변수를 첨가하고 통계적으로 의미 없는 변수를 제거하며 설명력이 뛰어난 회귀모형을 선택하였다. 교통량이 수집되는 단위구간을 대상으로 관측된 교통량과 최종 선택된 회귀모형으로부터 추정된 추정교통량 간 차이(잔차)를 계산하고, 이 잔차를 크리깅 단계에서 입력 자료값 즉, 추정대상으로 사용하였다.
- 각기의 자료 중 6대광역시에 해당되는 자료를 활용하여 도로 속성 정보를 수집하였다. 교통량자료는 6대광역시의 ITS 검지기를 통해서 수집되는 자료와 현장조사 자료를 혼합․수집하였으며, 각 도시별 교통량 수집율은 [Table 2]와 같다. ITS 검지기를 통해서 수집된 교통량 자료는 각 도시별 ‘군’지역을 제외한 지역을 대상으로 2013년 1년간 수집된 데이터의 평균을 산출하여 AADT를 산출하였으며, 현장조사를 통해서 수집된 교통량 자료는 조사시기와 조사기간에 따라 시간보정, 요일보정,월보정을 통하여 AADT를 산출하였다.
- 기본적으로 차량주행거리 산정에 있어 차량이 이동한 거리의 합을 계산해야 하는데, 차량의 이동거리는 도로의 연장과 같다고 볼 수 있기 때문이다. 도로연장 자료는 KTDB가 제공하는 교통주제도와 국토교통부에서 제공하는 ITS표준노드링크자료를 활용하였다. 각기의 활용자료는 도로연장 외 부수적으로 차로수, 위치(디지털정보로 구성된 도로속성자료는 링크단위로 분절되어 구성되기 때문에 ‘위치’자료는 링크 중심점의 좌표와 같음) 등 도로의 물리적 속성자료도 함께 제공된다.
- 본 논문에서 베리오그램 계산 시 활용된 자료는 회귀모형의 잔차이다. 즉, 이론적 베리오그램 모델링의 역할은 표본공간 내에서 회귀모형의 잔차들 간 공간적 유사성을 추정하는 것이다.
- 이에 적절한 기준으로 차량주행거리 산정 대상 도로 및 교통축을 선별하는 것이 필요하다. 본 논문에서는 도시지역 내 집분산도로를 제외한 간선도로(도시고속화도로(urban expressway), 주간선도로(main-arterial), 보조간선도로(sub-arterial))만을 차량주행거리 산정 대상으로 설정하였다. 단, 도로의 기능구분은 도로의 물리적 속성과는 별개로 기능적 속성으로 구분되며, 도로의 기능적 속성은 분석대상 도시 내 교통량 처리량 또는 도시계획상 해당 도로에 부여(설정)된 정책적 역할(기능)에 따라 나뉘는 것으로 가정하였다.
- 본 논문의 표본공간은 단위구간으로 구분된 (차량주행거리 산정 대상) 6대광역시 도로 네트워크로 정의된다. 표본공간은 도로 속성정보와 사회경제지표로 구축된 메타데이터로써 단위구간별로 구축되어 있다.
- 본 연구는 6대광역시를 대상으로 차량이 대상 도시에 실제로 주행한 거리인 차량주행거리(VKT, Vehicle Kilometers Traveled)를 산정하기 위해 교통량 부재 구간의 교통량을 추정하였다. 이를 위해 신호교차로 기준으로 단위구간을 설정하고, 단위구간별 추정교통량 및 차량주행거리의 정확도를 향상시키기 위해 회귀크리깅을 이용하여 교통량을 추정하였다.
- 뿐만 아니라, 6대광역시에서는 자체적으로 현장조사를 통해 교통량 자료를 수집하고 있다. 본 연구에서는 이 두 가지 자료(ITS 차량검지기 자료와 광역시 자체 현장조사 자료)를 혼합하여 교통량 자료를 수집하였다. 수집된 교통량 자료는 ITS표준노드링크체계에 맞도록 재구축하였으며, 조사지점과 동일한 위치의 단위 구간의 교통량이 된다.
- 또한 교통량이 적은 구간은 주로 도시부 외곽에 존재하고 있기 때문에 ‘도시중심지(central point)로부터의 거리’를 고려하여 회귀모형을 수정(2차 회귀모형 추정)하였다. 즉, 도시중심지로부터의 거리를 기준으로 내부지역과 외부지역으로 구분된 별도의 회귀모형을 추정하였는데, 이를 위해서는 내부지역과 외부지역 모두 회귀모형 추정이 가능한 적정 샘플수가 확보되어야 하므로 인천, 대전,울산만을 대상으로 하였다. 또한 이들 3개 도시는 중심지로부터의 거리에 따른 (1차 회귀모형에 의한)오차율의 분포를 검토하여 급변지점을 내부지역과 외부지역으로 나누는 임계점으로 설정하였다.
데이터처리
- 교통량과 상관관계분석 결과를 이용하여 단계적 회귀분석(stepwise regression)방법으로 각 도시별 가장 설명력이 높은 회귀모형을 추정(1차 회귀모형 추정)하였다. 이 때 교통량 자료가 구축된 단위구간을 대상으로(1차)회귀모형에 의한 교통량 추정치와 수집된 교통량 간 오차율을 분석하였는데, 교통량이 적은 단위구간일수록 오차율이 크다는 것을 발견하였다.
- 단위구간별 교통량 자료를 종속변수로 설정하고 i) 도로기능, ii) 차로 수, iii) 제한속도, iv) 중앙분리대유무,v) 평균교차로간격, vi) 시가화여부, vii) 행정구역, viii) 주간선도로접속여부를 독립변수로 설정하여, 독립변수 중 차로수, 제한속도, 평균교차로간격과 같은 연속형변수(continuous variables)는 Pearson 상관분석을, 도로기능, 중앙분리대유무, 시가화여부, 행정구역, 주간선도로접속여부와 같은 범주형변수(categorical variables)는 Spearman 상관분석을 수행하였다. 상관분석 결과 대부분의 도시에서 차로수, 제한속도가 교통량과 연관성이 높은 것으로 나타났다.
이론/모형
- 차량주행거리를 산정하는 방법은 교통량 자료 기반(traffic count-based model) 방법과 비교통량 자료 기반(non-traffic count-based model) 방법이 있다. 본 논문에서는 Kumapley and Fricker(1996)에서 상대적으로 정확성이 높다고 알려져 있는 교통량 자료 기반방법을 사용하였다. 특히 도시부에서는 검지기를 통해 교통량 자료가 수집되고 있기 때문에 이를 활용하는 방법을 적용하는 것이 정확성 측면에서 더 합리적이라고 판단된다.
- 본 논문에서는 교통량 미수집 단위구간의 교통량 추정 시 공간통계기법인 회귀크리깅을 이용하였다. 회귀크리깅은 회귀접근법과 크리깅을 결합한 방법으로 회귀모형보다 정확도를 향상시킬 수 있는 것으로 알려져 있다.
- 이론적 베리오그램(theoretical variogram)은 구형모델(spherical model), 지수모델(exponential model), 가우시안모델(Gaussian model) 등이 있는데, 본 논문에서는 일반적으로 가장 많이 사용되는 구형모델을 활용하였다. 일반적인 구형모델은 <식 4>, <식 5>와 같이 표현된다.
- 단, 도로의 기능구분은 도로의 물리적 속성과는 별개로 기능적 속성으로 구분되며, 도로의 기능적 속성은 분석대상 도시 내 교통량 처리량 또는 도시계획상 해당 도로에 부여(설정)된 정책적 역할(기능)에 따라 나뉘는 것으로 가정하였다. 이에 각 도시마다 명목상․실질적 도로의 기능이 부여된 도시교통정비계획(Basic Plan for Urban Traffic Improvement)이나 도시기본계획(Urban Master Plan)에 준하여 각 분석 대상도시 내 도로 기능구분을 하였다. 도시교통정비계획이나 도시기본계획으로 도로 기능구분이 명확하지 않은 경우에는 『도로의 구조․시설 기준에 관한 규칙 해설-일부개정(MOLIT(2012)』의 “도시부 도로 특성” 중 ‘교차로 최소간격(Min.
- 각 도시별 차량주행거리 산정 결과는 [Table 8]과 같다. 회귀크리깅을 이용한 차량주행거리 추정결과의 적절성 검토를 위해 FHWA의 HPMS방법을 적용하여 추정한 차량주행거리와 비교하였다. HPMS방법과 비교 결과 대상도시별 전체 도로 대상 ±15% 이내의 차이를 보였다.
성능/효과
- 회귀크리깅을 이용한 차량주행거리 추정결과의 적절성 검토를 위해 FHWA의 HPMS방법을 적용하여 추정한 차량주행거리와 비교하였다. HPMS방법과 비교 결과 대상도시별 전체 도로 대상 ±15% 이내의 차이를 보였다. HPMS방법도 현재 사용되고 있는 방법임을 감안할때 회귀크리깅에 의한 차량주행거리 산정 결과는 정확성 여부와는 별개로 적절한 값임을 알 수 있었다.
- HPMS방법과 비교 결과 대상도시별 전체 도로 대상 ±15% 이내의 차이를 보였다. HPMS방법도 현재 사용되고 있는 방법임을 감안할때 회귀크리깅에 의한 차량주행거리 산정 결과는 정확성 여부와는 별개로 적절한 값임을 알 수 있었다.
- 3장에서는 차량주행거리 산정방법론을 정립하고, 국내 6대 광역시 대상 차량주행거리 산정에 필요한 자료수집(4장)을 통해 회귀크리깅기법을 활용하여 차량주행거리를 산정하였다(5장). 마지막으로 도시부의 차량주행거리 산정에 있어 교통량 미수집구간의 교통량 추정 시 회귀크리깅의 효율이 클 수 있는 조건을 도출함으로써 결론과 향후 연구 과제를 도출하였다.
- 단위구간별 교통량 자료를 종속변수로 설정하고 i) 도로기능, ii) 차로 수, iii) 제한속도, iv) 중앙분리대유무,v) 평균교차로간격, vi) 시가화여부, vii) 행정구역, viii) 주간선도로접속여부를 독립변수로 설정하여, 독립변수 중 차로수, 제한속도, 평균교차로간격과 같은 연속형변수(continuous variables)는 Pearson 상관분석을, 도로기능, 중앙분리대유무, 시가화여부, 행정구역, 주간선도로접속여부와 같은 범주형변수(categorical variables)는 Spearman 상관분석을 수행하였다. 상관분석 결과 대부분의 도시에서 차로수, 제한속도가 교통량과 연관성이 높은 것으로 나타났다.
- 이를 볼 때, 자료 구축이 상대적으로 용이한 euclidean distance로 거리를 산정하는 것이 분석의 효율을 높일 수 있을 것으로 판단된다.
- 교통량 추정 시 ‘도시 중심부에서의 거리’ 라는 변수를 이용하여 도시 중심부에서의 거리별 수집교통량을 분석해 거리의 따른 교통량 변화정도가 큰 지점을 기준으로 분석범위를 이원화하고 구역(내부, 외부)별 회귀모형을 추정하였다. 회귀크리깅을 통한 차량주행거리 추정결과와 FHWA의 HPMS방법을 적용하여 추정한 결과를 비교하였을 때 회귀크리깅에 의한 차량주행거리 산정 결과는 적절한 값임을 알 수 있었다.
후속연구
- 특히 도시부에서는 검지기를 통해 교통량 자료가 수집되고 있기 때문에 이를 활용하는 방법을 적용하는 것이 정확성 측면에서 더 합리적이라고 판단된다. 다만, 교통량 자료 기반 차량주행거리 산정에 있어 분석 대상지역의 모든 도로구간에서 교통량 자료가 수집되는 것이 아니기 때문에 교통량 미수집 구간의 교통량 자료 추가 수집 및 교통량 추정과정이 요구된다. 이에 본 연구에서는 공간통계기법을 적용하여 분석 대상지역 내 교통량 미수집 구간의 교통량을 추정하고 이를 기반으로 차량주행거리를 산정하였다.
- 그러나 현재 전체 링크에 대한 교통DB수집링크의 비율을 나타내는 DB수집율과 같은 지표를 통해서 지역별 수집현황을 나타내고 있으나, 수집구역에 대한 밀집도는 파악하기 어려워 교통DB수집분포도와 공간통계기법이 기여하는 오차율 감소도의 연관성을 규명하기 어려운 측면이 있다. 향후 도시별 수집지점의 공간적 분포도를 나타내는 방안과 교통량 수집률 및 수집지점의 공간적 분포정도에 따른 공간통계기법의 교통량 추정 측면의 유용성에 대한 연구가 필요할 것으로 판단된다. 아울러 대도시에서의 교통량 수집 장비 확대 보급으로 실제 교통량 관측데이터를 확보하는 제도적 보완도 시급하다고 판단된다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.